<div dir="ltr"><div>Hi everyone, <br clear="all"></div><div><br></div><div>I will be presenting this paper in our group meeting:</div><div>Domain-Adversarial Training of Neural Networks [<a href="https://arxiv.org/pdf/1505.07818">link</a>]. <br></div><div><br></div><div>In this paper, the authors proposed a deep learning method named Domain-Adversarial Neural Networks (DANN), which is a popular method to train a model to be able to adapt to data generated from heterogeneous resources, even when this resource is not included in the training data. </div><div><br></div><span class="gmail_signature_prefix">-- </span><br><div dir="ltr" class="gmail_signature" data-smartmail="gmail_signature"><div dir="ltr"><div><span style="white-space:pre-wrap;color:rgb(13,13,13)"><font face="arial, sans-serif">Shiwei Fu</font></span></div><font face="arial, sans-serif"><span style="white-space:pre-wrap;color:rgb(13,13,13)">PhD Student</span><br style="white-space:pre-wrap;border:0px solid rgb(227,227,227);color:rgb(13,13,13)"><span style="white-space:pre-wrap;color:rgb(13,13,13)">Department of Statistics</span><br style="white-space:pre-wrap;border:0px solid rgb(227,227,227);color:rgb(13,13,13)"><span style="white-space:pre-wrap;color:rgb(13,13,13)">University of California, Riverside</span></font><br></div></div></div>